CN114529103A - 一种基于蒸汽负荷预测的源网协同预测性调度方法 - Google Patents
一种基于蒸汽负荷预测的源网协同预测性调度方法 Download PDFInfo
- Publication number
- CN114529103A CN114529103A CN202210262934.7A CN202210262934A CN114529103A CN 114529103 A CN114529103 A CN 114529103A CN 202210262934 A CN202210262934 A CN 202210262934A CN 114529103 A CN114529103 A CN 114529103A
- Authority
- CN
- China
- Prior art keywords
- steam
- heat
- users
- time
- irregular
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000010438 heat treatment Methods 0.000 claims abstract description 24
- 230000007613 environmental effect Effects 0.000 claims abstract description 15
- 230000001788 irregular Effects 0.000 claims description 52
- 238000004519 manufacturing process Methods 0.000 claims description 36
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims 1
- 238000005265 energy consumption Methods 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于蒸汽负荷预测的源网协同预测性调度方法,涉及蒸汽供热系统调度技术领域,该方法基于热用户负荷预测模型确定供热系统内所有热用户在未来预定时长内的热用户预测负荷的总和,利用供热系统的运行参数和供热系统所在环境的环境参数基于热网管损预测模型确定未来预定时长内的热网预测管损,从而预测得到未来时段热源机组的蒸汽预测负荷为所有热用户预测负荷的总和与所述热网预测管损之和,从而可以按照未来预定时长内的蒸汽预测负荷主动提前调整热源机组的运行状态以适应热网负荷变化,解决被动调整带来的能耗增加问题,既满足了用户负荷波动情况下的供需平衡,又降低了运维成本,提高了蒸汽管网的运行安全性、可靠性和经济性。
Description
技术领域
本发明涉及蒸汽供热系统调度技术领域,尤其是一种基于蒸汽负荷预测的源网协同预测性调度方法。
背景技术
在退城进园的大背景下,城市工业企业逐渐向工业园区集中,当前工业行业逐步从“低、小、散、乱”的粗放型向“集约式生态工业园区”转变,工业园区和集中供汽有利于提升能源利用的综合效率,降低单位能耗,对于推动基于系统化集成、能源梯级利用的循环经济发展有着重要意义,然而,随着越来越多工业企业进入园区,热源单位蒸汽调度难度也随之增加。
目前传统蒸汽热源调度流程为:(1)各热用户向热源单位上报第二日用汽计划,原则上每日热源负荷按照上报计划生产,具体小时用汽量由热用户自行调整;(2)当热用户负荷大幅度波动时,需要通知热源单位,热源单位判断锅炉内部是否具备增减负荷的条件,再告知热用户是否同意增减用汽量;(3)紧急情况下,热源单位根据锅炉保护定值进行负荷调整,同时结合实际情况通知热用户增加或减少用汽量,必要时采取锅炉排汽等措施,最终满足热用户温度、压力要求。
但是上述蒸汽调度方法存在一定缺陷:(1)供热负荷随热用户用汽、停汽频繁大幅度波动,热源单位的供热机组的运行方式被动调整滞后严重,导致了锅炉乃至整个供热机组能耗增加;(2)负荷波动更大时,热源单位的供热机组被动调整可能造成“水击”事故,增加了管网的运维成本,同时对热源单位的安全运行造成一定影响。
发明内容
本发明人针对上述问题及技术需求,提出了一种基于蒸汽负荷预测的源网协同预测性调度方法,本发明的技术方案如下:
一种基于蒸汽负荷预测的源网协同预测性调度方法,该方法包括:
基于热用户负荷预测模型确定供热系统内所有热用户在未来预定时长内的热用户预测负荷的总和,热用户负荷预测模型基于各个热用户的历史运行数据预先建立得到;
采集供热系统的运行参数以及供热系统所在环境的环境参数,利用运行参数和环境参数基于热网管损预测模型,确定供热系统在未来预定时长内的热网预测管损,热网管损预测模型基于供热系统的历史运行数据和历史环境数据预先建立得到;
按照未来预定时长内的蒸汽预测负荷提前调整供热系统中的热源机组的运行状态,使得利用最少的热源机组满足蒸汽预测负荷,蒸汽预测负荷为所有热用户预测负荷的总和与热网预测管损之和。
本发明的有益技术效果是:
本申请公开了一种基于蒸汽负荷预测的源网协同预测性调度方法,该方法利用反映热用户用汽特性的热用户负荷预测模型预测热用户的需求符合,同时结合运行参数和环境参数对热网管损进行预测,从而预测得到未来时段热源机组需求负荷,主动提前调整热源机组的运行状态以适应热网负荷变化,解决被动调整带来的能耗增加问题,既满足了用户负荷波动情况下的供需平衡,又降低了运维成本,提高了蒸汽管网的运行安全性、可靠性和经济性。
另外,该方法充分考虑不同热用户用汽特性和生产周期等因素,采用不同的策略对规律用汽和不规律用汽的热用户的未来时段负荷分别进行预测,可充分挖掘蕴含在园区运行数据内部的特性和规律,实现对不同热用户的准确的负荷追踪。
附图说明
图1是本申请的源网协同预测性调度方法的流程示意图。
图2是一个实施例中的PID串级控制系统的控制示意图。
图3是一个实施例中分别对规律热用户和不规律热用户的建模和预测方法示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
本申请公开了一种基于蒸汽负荷预测的源网协同预测性调度方法,该方法包括如下步骤,请参考图1所示的流程图:
步骤110,基于热用户负荷预测模型确定供热系统内所有热用户在未来预定时长内的热用户预测负荷的总和,热用户负荷预测模型基于各个热用户的历史运行数据预先建立得到。
供热系统主要包括热源、供热管网和若干个热用户,热源通过供热管网给若干个热用户提供蒸汽,热用户在未来预定时长内的热用户预测负荷也即热用户所需要的蒸汽耗量,不同的热用户在未来预定时长内的热用户预测负荷可能相同、但往往是不同的。本申请首先利用热用户负荷预测模型预测确定每个热用户在未来预定时长内可能需要的蒸汽耗量,也即热用户预测负荷,然后相加得到供热系统内所有热用户的热用户预测负荷的总和。
未来预定时长的具体时长可以自定义设置,所得到的热用户预测负荷的总和一般是按预定的时间颗粒度划分得到的时间序列。比如未来预定时长为未来5小时,预定的时间颗粒度为一小时,则这一步所确定的所有热用户在未来预定时长内的热用户预测负荷的总和包括未来5小时内每小时的热用户预测负荷的总和。
步骤120,采集供热系统的运行参数以及供热系统所在环境的环境参数,利用运行参数和环境参数基于热网管损预测模型,确定供热系统在未来预定时长内的热网预测管损,热网管损预测模型基于供热系统的历史运行数据和历史环境数据预先建立得到。
热源提供的蒸汽在通过供热管网传输给各个热用户的过程中,难免存在一定的损耗,这一步即确定传输导致的固有损耗。而这一损耗在运行参数和/或环境参数不同时会存在差异,因此首先采集运行参数和环境参数,运行参数和环境参数可以通过布设在供热系统相应位置的各类传感器采集得到。然后利用热网管损预测模型确定当前状态下的热网预测管损。一般可以认为,供热系统的运行参数和环境参数都在短期内都是稳定的,所以热网预测管损在短期内也是稳定的,因此可以直接利用当前的数据进行预测。需要说明的是,实际步骤120和步骤110没有特定的先后关系。
供热系统的运行参数包括供热系统中的热源出口的蒸汽温度、蒸汽压力和蒸汽流量中的至少一种,供热系统所在环境的环境参数包括室外温度、室外湿度和室外风速中的至少一种,实际运行时通常包括上述所有参数。
步骤130,按照未来预定时长内的蒸汽预测负荷提前调整供热系统中的热源机组的运行状态,使得利用最少的热源机组满足蒸汽预测负荷。
蒸汽预测负荷Hy为所有热用户预测负荷的总和与热网预测管损之和。请参考图2,设计PID串级控制系统包括:蒸汽压力设定值SP与分汽缸输出的分汽缸压力P的差值作为第一PID控制器的输入,分汽缸与供热系统中的热源机组相连。未来预定时长内的蒸汽预测负荷Hy与第一PID控制器的输出的差值作为第二PID控制器的输入。以分汽缸输出的分汽缸压力P作为主调节参数,以第二PID控制器输出的总蒸汽量为副调节参数进行PID控制,本申请采用蒸汽压力和蒸汽负荷PID串级控制,维持分汽缸压力稳定。
在提前调整供热系统中的热源机组的运行状态时,提前的预定时长可以自定义,比如提前15分钟,具体的调整方式为:
(1)若未来预定时长内的蒸汽预测负荷Hy超过当前处于工作状态的p台热源机组的稳定产汽量Hp,且差值Hy-Hp超过第一预定阈值,第一预定阈值为自定义值,从而可以确定此时p台热源机组的稳定产汽量无法满足负荷要求。则提前打开其他处于关闭状态的q台热源机组,使得Hq-1<Hy-Hp≤Hq,Hq是增加打开的q台热源机组的稳定产汽量,Hq-1是增加打开的q-1台热源机组的稳定产汽量。
假定所有热源机组的稳定产汽量都相等,同时假定每个热源机组的稳定产汽量都为该热源机组的额定产汽量η的90%,则有(p+q-1)*η*90%<Hy≤(p+q)*η*90%,也即利用数量最少的热源机组来满足蒸汽预测负荷Hy,在满足负荷要求的基础上避免浪费。可选的,在增加打开热源机组时,优先打开累计运行时间短的热源机组,保证不同热源机组的平衡。
(2)若未来预定时长内的蒸汽预测负荷Hy小于当前处于工作状态的p台热源机组的稳定产汽量Hp,且差值Hp-Hy超过第二预定阈值,第二预定阈值为自定义值,从而可以确定此时p台热源机组的稳定产汽量过剩。则提前关闭其他处于工作状态的t台热源机组,使得Ht≤Hp-Hy<Ht+1,Ht是增加关闭的t台热源机组的稳定产汽量,Ht+1是增加关闭的t+1台热源机组的稳定产汽量。
同样的,若假定所有热源机组的稳定产汽量都相等,同时假定每个热源机组的稳定产汽量都为该热源机组的额定产汽量η的90%,则有(p-(t+1))*η*90%<Hy≤(p-t)*η*90%,也即利用数量最少的热源机组来满足蒸汽预测负荷Hy。从而在满足蒸汽预测负荷Hy的基础上关闭多余的热源机组,避免浪费。可选的,在增加关闭热源机组时,优先关闭连续运行时间长的热源机组,保证不同热源机组之间的平衡。
在上述步骤110中,由于需要使用热用户负荷预测模型,因此需要预先利用热用户的历史运行数据建立热用户负荷预测模型,热用户负荷预测模型反映热用户的用汽特性,而不同的热用户往往具有不同的用汽特性,所以一般针对不同的热用户分别建立各自的热用户负荷预测模型。而热用户一般可以分为两大类:规律热用户和不规律热用户,规律热用户是用汽特性随着时间周期具有预定变化规律的热用户,比如热用户每周一二三都具有固定的蒸汽耗量、而其余时间都没有蒸汽耗量。不规律热用户是用汽特性随着时间周期不具有预定变化规律的热用户,虽然不规律热用户的用汽特定不随着时间周期变化,但是考虑到热用户一般都是利用蒸汽耗量进行商品生产,而在生产每种商品时所需的蒸汽耗量往往是固定的,因此不规律热用户的用汽特性一般都与热用户的商品产量存在关联。基于上述分析,本申请分别根据规律热用户和不规律热用户的不同特征来建立热用户负荷预测模型,以及进行预测,分别介绍如下:
(1)、针对规律热用户。
从规律热用户的历史运行数据中构建M个时间上不相交的样本集,每个样本集包含规律热用户在历史预定时长内按预定的时间颗粒度划分的蒸汽耗量时间序列。历史预定时长和时间颗粒度可以自定义设置,且在不同样本集中可以相同可以不同。
比如在一个举例中,规律热用户的历史运行数据包括该规律热用户过去一年的历史运行数据,则可以将一年的历史运行数据划分为52个样本集,每个样本集包含该规律热用户在一周内、以每小时为时间颗粒度进行划分的蒸汽耗量时间序列,蒸汽耗量时间序列中包括7*24=168个元素,每个元素为该规律热用户在对应的一个小时内的蒸汽耗量。
将每个样本集中蒸汽耗量时间序列作为输出、对应的时间序列作为输入,改变径向基扩展速度,使网络的均方根误差RMSE满足误差要求,从而利用M个样本集基于RBF神经网络训练得到该规律热用户的第一预测模型。
则上述步骤110中,对于每个规律热用户,都可以基于上述方法分别确定各自对应的第一预测模型,由此确定的第一预测模型可以反映该规律热用户的蒸汽耗量随着时间周期的变化规律。则将未来预定时长内的时间序列输入第一预测模型,就可以得到相应规律热用户在未来预定时长内的蒸汽耗量时间序列、也即在未来预定时长内的热用户预测负荷。
(2)、针对不规律热用户。
从不规律热用户的历史运行数据中构建K个时间上不相交的样本集,每个样本集包含不规律热用户在历史预定时长内按预定的时间颗粒度划分的商品产量序列和蒸汽耗量时间序列H′=(h′1,h′2,…,h′I)T。其中,对于任意1≤i≤I和1≤n≤N,a′in为不规律热用户在历史的第i单位时间内生产的第n种商品的产量,这里的产量一般指示生产或不生产。N为商品的种类总数,h′i为不规律热用户在历史的第i单位时间内的蒸汽耗量。单位时间按预定的时间颗粒度划分得到,比如时间颗粒度为一小时,则第i单位时间为第i小时。
对所有K个样本集计算得到的商品单位时间耗气量求取算数平均数得到不规律热用户在生产每种商品时单位时间内的蒸汽耗量B=(b1,b2,…,bN)T为不规律热用户在生产每种商品时单位时间内的蒸汽耗量,任意的bn为该不规律热用户在生产第n种商品时单位时间内的蒸汽耗量。
由此可以确定该不规律热用户的第二预测模型为H=A·B,其中,为不规律热用户的商品生产计划,对于任意1≤r≤R和1≤n≤N,arn为不规律热用户计划在未来的第r单位时间内生产的第n种商品的产量,N为商品的种类总数。由此得到的H=(h1,h2,…,hR)为不规律热用户在未来预定时长内的热用户预测负荷,任意的hr表示不规律热用户在未来的第r单位时间内的蒸汽耗量。
则上述步骤110中,对于每个不规律热用户,都可以基于上述方法分别确定各自对应的第二预测模型,由此确定的第二预测模型可以反映该不规律热用户的蒸汽耗量随着商品产量的变化规律。则将不规律热用户在未来预定时长内的商品生产计划的时间序列输入第二预测模型,就可以得到相应不规律热用户在未来预定时长内的蒸汽耗量时间序列、也即在未来预定时长内的热用户预测负荷。
由此在上述步骤110中,请参考图3所示的示意图,在分别得到各个热用户的热用户预测负荷后,将所有规律热用户的热用户预测负荷与所有不规律热用户的热用户预测负荷相加,由此得到所有热用户在未来预定时长内的热用户预测负荷的总和。
类似的,在上述步骤120中,由于需要使用热网管损预测模型,因此首先需要基于供热系统的历史运行数据和历史环境数据来建立热网管损预测模型,该热网管损预测模型反映供热系统的热网管损随着运行参数和环境参数的变化情况,具体的:
采集供热系统在历史预定时长内、按相同时间颗粒度划分的历史运行参数时间序列、历史环境参数时间序列以及历史热网管损时间序列。将历史运行参数时间序列和历史环境参数时间序列作为输入,将历史热网管损时间序列作为输出,改变径向基扩展速度,使网络的均方根误差RMSE满足误差要求,从而可以基于RBF神经网络训练得到热网管损预测模型。与规律热用户的第一预测模型类似,本申请不再赘述。
以上所述的仅是本申请的优选实施方式,本发明不限于以上实施例。可以理解,本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化,均应认为包含在本发明的保护范围之内。
Claims (10)
1.一种基于蒸汽负荷预测的源网协同预测性调度方法,其特征在于,所述方法包括:
基于热用户负荷预测模型确定供热系统内所有热用户在未来预定时长内的热用户预测负荷的总和,所述热用户负荷预测模型基于各个热用户的历史运行数据预先建立得到;
采集所述供热系统的运行参数以及所述供热系统所在环境的环境参数,利用所述运行参数和环境参数基于热网管损预测模型,确定所述供热系统在未来预定时长内的热网预测管损,所述热网管损预测模型基于所述供热系统的历史运行数据和历史环境数据预先建立得到;
按照未来预定时长内的蒸汽预测负荷提前调整所述供热系统中的热源机组的运行状态,使得利用最少的热源机组满足所述蒸汽预测负荷,所述蒸汽预测负荷为所有热用户预测负荷的总和与所述热网预测管损之和。
2.根据权利要求1所述的方法,其特征在于,所述基于热用户负荷预测模型确定供热系统内所有热用户在未来预定时长内的热用户预测负荷的总和,包括:
对于每个规律热用户,基于所述规律热用户的第一预测模型确定所述规律热用户在未来预定时长内的热用户预测负荷,规律热用户是用汽特性随着时间周期具有预定变化规律的热用户,每个规律热用户的第一预测模型基于所述规律热用户的历史运行数据建立得到,且反映所述规律热用户的蒸汽耗量随着时间周期的变化规律;
对于每个不规律热用户,获取所述不规律热用户在未来预定时长内的商品生产计划,利用所述商品生产计划基于所述不规律热用户的第二预测模型确定所述不规律热用户在未来预定时长内的热用户预测负荷;不规律热用户是用汽特性随着时间周期不具有预定变化规律的热用户,每个不规律热用户的第二预测模型基于所述不规律热用户的历史运行数据建立得到,且反映所述不规律热用户的蒸汽耗量随着商品产量的变化规律;
将所有规律热用户的热用户预测负荷与所有不规律热用户的热用户预测负荷相加,得到所有热用户在未来预定时长内的热用户预测负荷的总和。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括,对于每个规律热用户:
从所述规律热用户的历史运行数据中构建M个时间上不相交的样本集,每个样本集包含所述规律热用户在历史预定时长内按预定的时间颗粒度划分的蒸汽耗量时间序列;
将每个样本集中蒸汽耗量时间序列作为输出、对应的时间序列作为输入,利用M个样本集基于RBF神经网络训练得到所述第一预测模型。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括,对于每个不规律热用户:
从所述不规律热用户的历史运行数据中获取所述不规律热用户在生产每种商品时单位时间内的蒸汽耗量,单位时间按预定的时间颗粒度划分得到;
5.根据权利要求4所述的方法,其特征在于,所述从所述不规律热用户的历史运行数据中获取所述不规律热用户在生产每种商品时单位时间内的蒸汽耗量,包括:
从所述不规律热用户的历史运行数据中构建K个时间上不相交的样本集,每个样本集包含所述不规律热用户在历史预定时长内按预定的时间颗粒度划分的商品产量序列和蒸汽耗量时间序列H′=(h′1,h′2,…,h′I)T,对于任意1≤i≤I和1≤n≤N,a′in为所述不规律热用户在历史的第i单位时间内生产的第n种商品的产量,N为商品的种类总数,h′i为所述不规律热用户在历史的第i单位时间内的蒸汽耗量;
由每个样本集中的商品产量序列和蒸汽耗量时间序列计算得到商品单位时间耗气量B′=(b′1,b′2,…,b′N)T,b′n为所述不规律热用户在生产第n种商品时单位时间内的蒸汽耗量,计算公式为:
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
采集所述供热系统在历史预定时长内、按相同时间颗粒度划分的历史运行参数时间序列、历史环境参数时间序列以及历史热网管损时间序列;
将历史运行参数时间序列和历史环境参数时间序列作为输入,将历史热网管损时间序列作为输出,基于RBF神经网络训练得到所述热网管损预测模型。
7.根据权利要求1所述的方法,其特征在于,
所述供热系统的运行参数包括所述供热系统中的热源出口的蒸汽温度、蒸汽压力和蒸汽流量中的至少一种,所述供热系统所在环境的环境参数包括室外温度、室外湿度和室外风速中的至少一种。
8.根据权利要求1所述的方法,其特征在于,所述按照未来预定时长内的蒸汽预测负荷提前调整所述供热系统中的热源机组的运行状态,包括:
若未来预定时长内的蒸汽预测负荷Hy超过当前处于工作状态的p台热源机组的稳定产汽量Hp,且差值Hy-Hp超过第一预定阈值,则提前打开其他处于关闭状态的q台热源机组,使得Hq-1<Hy-Hp≤Hq,Hq是增加打开的q台热源机组的稳定产汽量,Hq-1是增加打开的q-1台热源机组的稳定产汽量;
若未来预定时长内的蒸汽预测负荷Hy小于当前处于工作状态的p台热源机组的稳定产汽量Hp,且差值Hp-Hy超过第二预定阈值,则提前关闭其他处于工作状态的t台热源机组,使得Ht≤Hp-Hy<Ht+1,Ht是增加关闭的t台热源机组的稳定产汽量,Ht+1是增加关闭的t+1台热源机组的稳定产汽量。
9.根据权利要求8所述的方法,其特征在于,
在增加打开热源机组时,优先打开累计运行时间短的热源机组;在增加关闭热源机组时,优先关闭连续运行时间长的热源机组。
10.根据权利要求8所述的方法,其特征在于,所述按照未来预定时长内的蒸汽预测负荷提前调整所述供热系统中的热源机组的运行状态,包括:
设计PID串级控制系统包括:蒸汽压力设定值SP与分汽缸输出的分汽缸压力P的差值作为第一PID控制器的输入,分汽缸与供热系统中的热源机组相连,未来预定时长内的蒸汽预测负荷Hy与所述第一PID控制器的输出的差值作为第二PID控制器的输入,以分汽缸输出的分汽缸压力P作为主调节参数,以所述第二PID控制器输出的总蒸汽量为副调节参数进行PID控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210262934.7A CN114529103A (zh) | 2022-03-17 | 2022-03-17 | 一种基于蒸汽负荷预测的源网协同预测性调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210262934.7A CN114529103A (zh) | 2022-03-17 | 2022-03-17 | 一种基于蒸汽负荷预测的源网协同预测性调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114529103A true CN114529103A (zh) | 2022-05-24 |
Family
ID=81626598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210262934.7A Pending CN114529103A (zh) | 2022-03-17 | 2022-03-17 | 一种基于蒸汽负荷预测的源网协同预测性调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114529103A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115994661A (zh) * | 2022-12-19 | 2023-04-21 | 天津大学 | 蒸汽管网调整策略信息生成方法 |
-
2022
- 2022-03-17 CN CN202210262934.7A patent/CN114529103A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115994661A (zh) * | 2022-12-19 | 2023-04-21 | 天津大学 | 蒸汽管网调整策略信息生成方法 |
CN115994661B (zh) * | 2022-12-19 | 2024-01-30 | 天津大学 | 蒸汽管网调整策略信息生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Verrilli et al. | Model predictive control-based optimal operations of district heating system with thermal energy storage and flexible loads | |
US9244444B2 (en) | Systems and methods for optimizing energy and resource management for building systems | |
JP5276294B2 (ja) | 負荷低減計画策定システム及びデマンド制御システム | |
JP4245583B2 (ja) | 分散型エネルギーシステムの制御装置、制御方法、プログラム、および記録媒体 | |
CN101667013A (zh) | 微型燃气轮机冷电联供分布式供能系统优化运行控制方法 | |
US20030171851A1 (en) | Automatic energy management and energy consumption reduction, especially in commercial and multi-building systems | |
US20220365495A1 (en) | Building control system with features for operating under intermittent connectivity to a cloud computation system | |
JP4347602B2 (ja) | 熱源運転支援制御方法、システムおよびプログラム | |
CN112950098B (zh) | 基于综合能源系统的能源规划方法、装置及终端设备 | |
KR100741691B1 (ko) | 유비쿼터스 기술을 이용한 광역상수도 수운영시스템 및 그방법 | |
CN112508306A (zh) | 一种电力生产配置的自适应方法及系统 | |
CN113606634A (zh) | 一种基于长输管网优化热源运行参数的热源保障系统 | |
CN114529103A (zh) | 一种基于蒸汽负荷预测的源网协同预测性调度方法 | |
CN116109104A (zh) | 智慧燃气的燃气报修管理方法、物联网系统、装置及介质 | |
Wang et al. | Multi-criteria comprehensive study on predictive algorithm of heating energy consumption of district heating station based on timeseries processing | |
CN113642803A (zh) | 一种考虑水量预测的供水泵组优化调度方法 | |
CN115789957A (zh) | 一种供能调控方法、装置、设备及存储介质 | |
CN116592417A (zh) | 基于负荷预测的集中供热系统优化控制方法及系统 | |
CN113609778B (zh) | 一种综合能源系统多目标优化方法及系统 | |
CN112134275B (zh) | 一种计算含风电场电力系统的可靠性方法及系统 | |
Jia et al. | Optimization design of industrial water supply pump station considering the influence of atmospheric temperature on operation cost | |
CN115169130A (zh) | 适用于火电厂自主优化运行的实时优化调度方法及其系统 | |
Johansson et al. | Combined heat & power generation using smart heat grid | |
JP2018042420A (ja) | エネルギシステム管理装置、エネルギシステム管理方法、およびエネルギシステム | |
CN113705881A (zh) | 一种基于对数温差的板式换热器的状态预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |